SqueezeBERT
概述
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在《SqueezeBERT: What can computer vision teach NLP about efficient neural networks?》一文中提出,该文章发表于arXiv:https://arxiv.org/abs/2006.11316。SqueezeBERT是一种双向Transformer,类似于BERT模型。BERT架构和SqueezeBERT架构的关键区别在于,SqueezeBERT在Q、K、V和FFN层中使用分组卷积来代替全连接层。
论文摘要如下:
人类每天阅读和撰写数百亿条信息。此外,随着大数据集、大型计算系统和更好的神经网络模型的可用性,自然语言处理(NLP)技术在理解、校对和组织这些信息方面取得了显著进步。因此,有大量机会将NLP部署到各种应用中,以帮助网站用户、社交网络和公司。特别是,我们将智能手机和其他移动设备视为部署NLP模型的至关重要的平台。然而,如今,高度准确的NLP神经网络模型如BERT和RoBERTa计算成本极高,BERT-base在Pixel 3智能手机上对文本片段进行分类需要1.7秒。本研究中,我们观察到分组卷积等方法已为视觉网络带来了显著的加速效果,但这些技术尚未被NLP神经网络设计师采用。我们展示了如何用分组卷积替换自注意力层中的几个操作,并在名为SqueezeBERT的新型网络架构中使用此技术,该架构在Pixel 3上的运行速度比BERT-base快4.3倍,同时在GLUE测试集上实现了具有竞争力的准确度。SqueezeBERT代码将被发布。
此模型由forresti提供。
使用技巧
- SqueezeBERT是一个包含绝对位置嵌入的模型,因此通常建议在右侧填充输入而不是左侧。
- SqueezeBERT类似于BERT,因此依赖于掩码语言建模(MLM)目标。因此,它在预测掩码标记和一般NLU方面效率很高,但在文本生成方面并不是最优的。使用因果语言建模(CLM)目标的模型在这方面表现更好。
- 对序列分类任务进行微调时,建议从squeezebert/squeezebert-mnli-headless检查点开始。
资源
SqueezeBertConfig
类 transformers.SqueezeBertConfig
< source >( vocab_size = 30522 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 512 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 pad_token_id = 0 embedding_size = 768 q_groups = 4 k_groups = 4 v_groups = 4 post_attention_groups = 1 intermediate_groups = 4 output_groups = 4 **kwargs )
参数
- vocab_size (
int
, 可选, 默认 30522) — SqueezeBERT模型的词汇大小。定义在调用SqueezeBertModel时可以通过inputs_ids
传递的不同标记的数量。 - hidden_size (
int
, 可选, 默认为 768) — 编码层和池化层的空间维度。 - num_hidden_layers (
int
, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认为 12) — Transformer 编码器中每个注意力层中的注意力头数。 - intermediate_size (
int
, 可选, 默认为 3072) — Transformer 编码器中“中间”层(通常称为前馈)的维度。 - hidden_act (
str
或Callable
,可选,默认为"gelu"
) — 编码器和池器中的非线性激活函数(函数或字符串)。如果是字符串,支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - hidden_dropout_prob (
float
,可选,默认为 0.1) — 嵌入、编码器、池器中所有全连接层的dropout概率。 - attention_probs_dropout_prob (
float
,可选,默认为 0.1) — 注意力概率的dropout比例。 - max_position_embeddings (
int
, optional, defaults to 512) — 该模型可以使用的最大序列长度。通常为了安全起见,将其设置为较大的数值(例如,512或1024或2048)。 - type_vocab_size (
int
, optional, defaults to 2) — 在调用 BertModel 或 TFBertModel 时传递的token_type_ids
的词汇量大小。 - initializer_range (
float
, optional, defaults to 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。 - layer_norm_eps (
float
, 可选, 默认为 1e-12) — - pad_token_id (
int
, 可选, 默认为 0) — 用于填充的单词嵌入中的标记ID。 - embedding_size (
int
, 可选, 默认为 768) — 单词嵌入向量的维度。 - q_groups (
int
, 可选, 默认为 4) — Q层的组数。 - k_groups (
int
, 可选, 默认为4) — K层的组数。 - v_groups (
int
, 可选, 默认为4) — V层的组数。 - post_attention_groups (
int
, 可选, 默认为1) — 第一个前馈网络层的组数。 - intermediate_groups (
int
, 可选, 默认为4) — 第二个前馈网络层的组数。 - output_groups (
int
, 可选, 默认为 4) — 第三个前馈网络层的组数。
这是用于存储 SqueezeBertModel 配置的配置类。它用于根据指定的参数实例化 SqueezeBERT 模型,定义模型架构。使用默认值实例化配置会得到与 SqueezeBERT squeezebert/squeezebert-uncased 架构相似的配置。
配置对象继承自 PretrainedConfig 并可用于控制模型输出。有关更多信息,请参阅 PretrainedConfig 的文档。
示例
>>> from transformers import SqueezeBertConfig, SqueezeBertModel
>>> # Initializing a SqueezeBERT configuration
>>> configuration = SqueezeBertConfig()
>>> # Initializing a model (with random weights) from the configuration above
>>> model = SqueezeBertModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
SqueezeBertTokenizer
类 transformers.SqueezeBertTokenizer
< 源码 >( vocab_file do_lower_case = True do_basic_tokenize = True never_split = None unk_token = '[UNK]' sep_token = '[SEP]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' tokenize_chinese_chars = True strip_accents = None **kwargs )
参数
- vocab_file (
str
) — 包含词汇表的文件。 - do_lower_case (
bool
, 可选, 默认为True
) — 在分词时是否将输入转成小写。 - do_basic_tokenize (
bool
, optional, defaults toTrue
) — 是否在WordPiece之前进行基本标记。 - never_split (
Iterable
, optional) — 在标记过程中不会分裂的标记集合。只有当do_basic_tokenize=True
时才有效。 -
unk_token ( str
, optional, defaults to"[UNK]"
) — 代表未知标记。不在词表中的标记不能转为ID,而是设置为这个标记。 - sep_token (
str
, 可选,默认为"[SEP]"
) — 序列分隔符,用于将多个序列(例如,用于序列分类的两个序列或用于问答的文本和问题)组合成一个序列时使用。它还用作使用特殊标记构建的序列的最后一个标记。 - pad_token (
str
, 可选,默认为"[PAD]"
) — 用于填充的标记,例如在批处理不同长度的序列时使用。 - cls_token (
str
, 可选,默认为"[CLS]"
) — 用来做序列分类时的分类标记,详情请参阅使用特殊标记构建序列时。这是序列中的第一个标记。 - mask_token (
str
, 可选,默认为"[MASK]"
) —— 用作遮蔽的标记。这是在用遮蔽语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。 - tokenize_chinese_chars (
bool
, 可选,默认为True
) —— 是否对中文字符进行分词。此选项应针对日文不启用(参见此 问题)。 - strip_accents (
bool
, 可选) —— 是否删除所有重音符号。如果没有指定此选项,则将根据lowercase
的值确定(如原始 SqueezeBERT 中所示)。
构建一个 SqueezeBERT 分词器。基于 WordPiece。
此分词器继承自 PreTrainedTokenizer,它包含大多数主要方法。用户应参考这个超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
< 来源 >( token_ids_0: 列表 token_ids_1: 可选 = None ) → 列表[int]
通过连接并添加特殊标记,从序列或序列对构建用于序列分类任务的模型输入。SqueezeBERT的序列格式如下
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
get_special_tokens_mask
< source >( token_ids_0: 列表 token_ids_1: 可选 = None already_has_special_tokens: 布尔 ) → 列表[int]
从未添加特殊标记的标记列表中检索序列 ID。此方法在使用标记化器 prepare_for_model
方法添加特殊标记时调用。
create_token_type_ids_from_sequences
< source >( token_ids_0: 列表 token_ids_1: 可选 = None ) → 列表[int]
从传递的两个序列创建一个掩码,用于序列成对分类任务。一个SqueezeBERT序列
如果token_ids_1
是None
,则此方法仅返回掩码的前一部分(0)。
SqueezeBertTokenizerFast
类 transformers.SqueezeBertTokenizerFast
< source >( vocab_file = None tokenizer_file = None do_lower_case = True unk_token = '[UNK]' sep_token = '[SEP]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' tokenize_chinese_chars = True strip_accents = None **kwargs )
参数
- vocab_file (
str
) — 包含词汇的高斯文件。 - do_lower_case (
bool
, 可选, 默认True
) — 在分词时是否将输入转换为小写。 - unk_token (
str
, 可选, 默认"[UNK]"
) — 未知标记。不在词汇表中的标记无法转换为ID,将被设置为该标记。 - sep_token (
str
, 可选, 默认"[SEP]"
) — 分隔符标记,用于将多个序列组合成一个序列时,例如序列分类或问答中的文本和问题。它还用作特殊标记构建的序列的最后标记。 - pad_token (
str
, 可选,默认为"[PAD]"
) — 用于填充的标记,例如在批量处理不同长度的序列时。 - cls_token (
str
, 可选,默认为"[CLS]"
) — 用于序列分类(整个序列的分类而不是按标记分类)的分类符标记。当通过特殊标记构建序列时,它是序列的第一个标记。 - mask_token (
str
, 可选,默认为"[MASK]"
) — 用于遮蔽值的标记。这是在训练此模型时使用遮蔽语言建模时使用的标记。这是模型将尝试预测的标记。 - — 在分词之前是否对文本进行清理,移除所有控制字符,并将所有空白替换为经典样式。默认值为 True(是)。
- — 是否对中文字符进行分词。对于日语,可能需要禁用此功能(见 相关问题)。默认值为 True(是)。
- — 是否去除所有重音符号。如果未指定此选项,则将根据
lowercase
的值进行确定(如原始 SqueezeBERT)。 - wordpieces_prefix (
str
, 可选, 默认为"##"
) — 子词的前缀。
构建一个快速的SqueezeBERT分词器(由HuggingFace的tokenizers库支持)。基于WordPiece。
此分词器继承自 PreTrainedTokenizerFast,其中包含大部分主要方法。用户应查阅此超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
< 源代码 >( token_ids_0 token_ids_1 = None ) → List[int]
通过连接并添加特殊标记,从序列或序列对构建用于序列分类任务的模型输入。SqueezeBERT的序列格式如下
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
SqueezeBertModel
类 transformers.SqueezeBertModel
< source >( config )
参数
- config (SqueezeBertConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载模型相关联的权重,只加载配置。请查看from_pretrained()方法来加载模型权重。
直接输出原始隐藏状态而不添加任何特定头的裸SqueezeBERT模型转换器。
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在SqueezeBERT:计算机视觉能够教NLP关于高效神经网络的什么?中提出。
此模型继承自PreTrainedModel。查看超类文档,了解库为所有模型实现的方法(如下载或保存、调整输入嵌入尺寸、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其作为常规PyTorch模块使用,并参考PyTorch文档了解与通用使用和行为相关的事项。
为了在文本分类任务上微调SqueezeBERT获得最佳结果,建议以squeezebert/squeezebert-mnli-headless检查点作为起点。
层次结构
Internal class hierarchy:
SqueezeBertModel
SqueezeBertEncoder
SqueezeBertModule
SqueezeBertSelfAttention
ConvActivation
ConvDropoutLayerNorm
数据布局
Input data is in [batch, sequence_length, hidden_size] format.
Data inside the encoder is in [batch, hidden_size, sequence_length] format. But, if `output_hidden_states == True`, the data from inside the encoder is returned in [batch, sequence_length, hidden_size] format.
The final output of the encoder is in [batch, sequence_length, hidden_size] format.
forward
< source >( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列中词汇的索引。可以使用 AutoTokenizer 获取索引。详细信息请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在[0, 1]
内:- 1 表示 未掩码 的标记
- 0 表示 掩码 的标记
- token_type_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 指示输入的第一个和第二个部分的段标记索引。索引在[0, 1]
内选择:- 0 对应于 句子 A 标记
- 1 对应于 句子 B 标记
- position_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 每个输入序列标记的位置索引。在范围[0, config.max_position_embeddings - 1]
内选择。 - head_mask (
torch.FloatTensor
的 shape 为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于取消选定自注意力模块选择的头的掩码。掩码值选择在[0, 1]
:- 1 表示头部没有被 掩码,
- 0 表示头部被 掩码。
- inputs_embeds (
torch.FloatTensor
的 shape 为(batch_size, sequence_length, hidden_size)
,可选) — 可以直接传递嵌入表示,而不是传递input_ids
。这在您想要比模型的内部嵌入查找矩阵更多地控制如何将input_ids
索引转换为相关向量时非常有用。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。更多细节请参考返回的张量中的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回<a href="/docs/transformers/v4.44.0/en/main_classes/output#transformers.utils.ModelOutput">ModelOutput</a>而非纯元组。
返回值
transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
一个transformers.modeling_outputs.BaseModelOutputWithPooling或一个包含torch.FloatTensor
的元组(如果return_dict=False
被传递或当config.return_dict=False
时),这取决于配置(《SqueezeBertConfig》)和输入。
-
last_hidden_state (
shape
为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
) — 模型最后一层的输出序列隐藏状态。 -
pooler_output (
shape
为(batch_size, hidden_size)
的torch.FloatTensor
) — 经过用于辅助预训练任务的层进一步处理后的第一个token的最后一层隐藏状态(分类token)。例如,对于BERT系列模型,这表示通过一个线性层和一个tanh激活函数处理后返回的分类token。在线性层权重中,从预训练期间的下一个句子预测(分类)目标中训练得到。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当通过output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果模型有嵌入层,则包含嵌入输出的输出,再加上每一层的输出)。在每个层的输出加上可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
,可选,当通过output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)(用于计算自注意力头中的加权平均的自注意力权重)。在注意力softmax后的注意力权重,用于计算各个自注意力头中的加权平均。
The SqueezeBertModel 的 forward 方法,重写了 __call__
特殊方法。
尽管前向计算的配方需要在此函数内定义,但应该在此之后调用 Module
实例,而不是使用此方法,因为前者负责执行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SqueezeBertModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertModel.from_pretrained("squeezebert/squeezebert-uncased")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
SqueezeBertForMaskedLM
class transformers.SqueezeBertForMaskedLM
< source >( config )
参数
- config (SqueezeBertConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时,不会加载与模型相关的权重,只有配置。请查看 from_pretrained() 方法以加载模型权重。
SqueezeBERT Model,顶部带有一个 language modeling
头。
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在SqueezeBERT:计算机视觉能够教NLP关于高效神经网络的什么?中提出。
此模型继承自PreTrainedModel。查看超类文档,了解库为所有模型实现的方法(如下载或保存、调整输入嵌入尺寸、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其作为常规PyTorch模块使用,并参考PyTorch文档了解与通用使用和行为相关的事项。
为了在文本分类任务上微调SqueezeBERT获得最佳结果,建议以squeezebert/squeezebert-mnli-headless检查点作为起点。
层次结构
Internal class hierarchy:
SqueezeBertModel
SqueezeBertEncoder
SqueezeBertModule
SqueezeBertSelfAttention
ConvActivation
ConvDropoutLayerNorm
数据布局
Input data is in [batch, sequence_length, hidden_size] format.
Data inside the encoder is in [batch, hidden_size, sequence_length] format. But, if `output_hidden_states == True`, the data from inside the encoder is returned in [batch, sequence_length, hidden_size] format.
The final output of the encoder is in [batch, sequence_length, hidden_size] format.
forward
< 来源 >( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.MaskedLMOutput or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列的标记索引在词汇表中的索引。索引可以通过 AutoTokenizer 获取。请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 获取详细信息。
- attention_mask (用于避免在填充标记索引上执行注意力的掩码,
torch.FloatTensor
形式,形状为(batch_size, sequence_length)
,可选项):- 值为1表示未掩码标记,
- 值为0表示掩码标记。
- token_type_ids (用于表示输入的第一部分和第二部分,形状为
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选项):- 值为0对应于“句子A”标记,
- 值为1对应于“句子B”标记。
- position_ids (每个输入序列标记在位置嵌入中的索引,形状为
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选项): - head_mask (
torch.FloatTensor
形状(num_heads,)
或(num_layers, num_heads)
,可选) — 用于取消选中自注意力模块选中头的掩码。掩码值在[0, 1]
之间选择:- 1 表示头 未掩码,
- 0 表示头 掩码。
- inputs_embeds (
torch.FloatTensor
形状(batch_size, sequence_length, hidden_size)
,可选) — 可选,而不是传递input_ids
,您可以直接传递嵌入表示。如果您希望比模型的内部嵌入查找矩阵有更多控制权,将input_ids
索引进相关向量时很有用。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回的张量下的attentions
。 - output_hidden_states (
bool
, 可选) - 是否返回所有层的隐藏状态。请参阅返回张量中的 - return_dict (
bool
, 可选) - 是否返回ModelOutput而不是普通元组。 - labels (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) - 用于计算掩码语言建模损失的标签。索引应在[-100, 0, ..., config.vocab_size]
范围内(参见input_ids
的文档字符串)。索引设置为-100
的标记将被忽略(掩码),损失只在具有标签的标记[0, ..., config.vocab_size]
上计算。
返回值
transformers.modeling_outputs.MaskedLMOutput或tuple(torch.FloatTensor)
一个transformers.modeling_outputs.MaskedLMOutput,或者当传递return_dict=False
时为torch.FloatTensor的tuple(如果config.return_dict=False
),它包含各种元素,这些元素取决于配置(SqueezeBertConfig)和输入。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选,当提供labels
时返回) - 掩码语言建模(MLM)损失。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) - 语言建模头部的预测得分(SoftMax之前的每个词汇表标记的得分)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当通过output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果模型有嵌入层,则包含嵌入输出的输出,再加上每一层的输出)。在每个层的输出加上可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
,可选,当通过output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)(用于计算自注意力头中的加权平均的自注意力权重)。在注意力softmax后的注意力权重,用于计算各个自注意力头中的加权平均。
《SqueezeBertForMaskedLM》的前向方法,重写了 __call__
特殊方法。
尽管前向计算的配方需要在此函数内定义,但应该在此之后调用 Module
实例,而不是使用此方法,因为前者负责执行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SqueezeBertForMaskedLM
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertForMaskedLM.from_pretrained("squeezebert/squeezebert-uncased")
>>> inputs = tokenizer("The capital of France is [MASK].", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # retrieve index of [MASK]
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]
>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)
>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-[MASK] tokens
>>> labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)
>>> outputs = model(**inputs, labels=labels)
SqueezeBertForSequenceClassification
类 transformers.SqueezeBertForSequenceClassification
< source >( config )
参数
- config (SqueezeBertConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载模型相关联的权重,仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
SqueezeBERT是一个具有序列分类/回归头(位于池化输出之上的线性层)的模型转换器,例如用于GLUE任务。
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在SqueezeBERT:计算机视觉能够教NLP关于高效神经网络的什么?中提出。
此模型继承自PreTrainedModel。查看超类文档,了解库为所有模型实现的方法(如下载或保存、调整输入嵌入尺寸、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其作为常规PyTorch模块使用,并参考PyTorch文档了解与通用使用和行为相关的事项。
为了在文本分类任务上微调SqueezeBERT获得最佳结果,建议以squeezebert/squeezebert-mnli-headless检查点作为起点。
层次结构
Internal class hierarchy:
SqueezeBertModel
SqueezeBertEncoder
SqueezeBertModule
SqueezeBertSelfAttention
ConvActivation
ConvDropoutLayerNorm
数据布局
Input data is in [batch, sequence_length, hidden_size] format.
Data inside the encoder is in [batch, hidden_size, sequence_length] format. But, if `output_hidden_states == True`, the data from inside the encoder is returned in [batch, sequence_length, hidden_size] format.
The final output of the encoder is in [batch, sequence_length, hidden_size] format.
forward
< source >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.SequenceClassifierOutput or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 输入序列单词在词汇表中的索引。 索引可以通过 AutoTokenizer 获取。见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 了解详情。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 可选) — 避免在填充单词索引上执行注意力的掩码。掩码值在[0, 1]
中选择:- 1 表示 未掩码 的单词,
- 0 表示 掩码 的单词。
什么是注意力掩码?// HTML_TAG_END -->
- —— HTML_TAG_START —>token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 段落单词索引以指示输入的第一部分和第二部分。索引在[0, 1]
中选择:- 0 对应于 句子 A 单词,
- 1 对应于 句子 B 单词。
什么是token_type_ids?// HTML_TAG_END —>
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于取消自注意力模块所选头部的屏蔽。屏蔽值在[0, 1]
之间:- 1 表示头部 未屏蔽,
- 0 表示头部 已屏蔽。
- inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
,可选) — 拥有控制如何将input_ids
索引转换为相关向量的更多控制权时,可以选择直接传递嵌入表示,而不是传递input_ids
。这在以下情况下很有用: - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量中的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参阅返回张量中的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回ModelOutput而不是普通元组。 - labels (
torch.LongTensor
of shape(batch_size,)
, optional) — 计算序列分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回值
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.SequenceClassifierOutput 或一个包含 torch.FloatTensor
的元组(如果 return_dict=False
被传递或当 config.return_dict=False
)根据配置(SqueezeBertConfig)和输入元素的配置。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 分类(或回归,如果 config.num_labels==1)损失。 -
logits (
torch.FloatTensor
of shape(batch_size, config.num_labels)
) — 分类(或回归,如果 config.num_labels==1)得分(SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当通过output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果模型有嵌入层,则包含嵌入输出的输出,再加上每一层的输出)。在每个层的输出加上可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
,可选,当通过output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)(用于计算自注意力头中的加权平均的自注意力权重)。在注意力softmax后的注意力权重,用于计算各个自注意力头中的加权平均。
The SqueezeBertForSequenceClassification 前向方法覆盖了 __call__
特殊方法。
尽管前向计算的配方需要在此函数内定义,但应该在此之后调用 Module
实例,而不是使用此方法,因为前者负责执行预处理和后处理步骤,而后者则默默地忽略它们。
单标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, SqueezeBertForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertForSequenceClassification.from_pretrained("squeezebert/squeezebert-uncased")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_id = logits.argmax().item()
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = SqueezeBertForSequenceClassification.from_pretrained("squeezebert/squeezebert-uncased", num_labels=num_labels)
>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
多标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, SqueezeBertForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertForSequenceClassification.from_pretrained("squeezebert/squeezebert-uncased", problem_type="multi_label_classification")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = SqueezeBertForSequenceClassification.from_pretrained(
... "squeezebert/squeezebert-uncased", num_labels=num_labels, problem_type="multi_label_classification"
... )
>>> labels = torch.sum(
... torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss
SqueezeBertForMultipleChoice
class transformers.SqueezeBertForMultipleChoice
< 来源 >( config )
参数
- 配置 (SqueezeBertConfig) — 包含所有模型参数的模型配置类。使用配置文件初始化时,不会加载与模型相关联的权重,仅加载配置。请查看 from_pretrained() 方法来加载模型权重。
SqueezeBERT 模型,上方有一个多选分类头(在池化输出之上添加一个线性层和一个 softmax 层),例如用于 RocStories/SWAG 任务。
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在SqueezeBERT:计算机视觉能够教NLP关于高效神经网络的什么?中提出。
此模型继承自PreTrainedModel。查看超类文档,了解库为所有模型实现的方法(如下载或保存、调整输入嵌入尺寸、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其作为常规PyTorch模块使用,并参考PyTorch文档了解与通用使用和行为相关的事项。
为了在文本分类任务上微调SqueezeBERT获得最佳结果,建议以squeezebert/squeezebert-mnli-headless检查点作为起点。
层次结构
Internal class hierarchy:
SqueezeBertModel
SqueezeBertEncoder
SqueezeBertModule
SqueezeBertSelfAttention
ConvActivation
ConvDropoutLayerNorm
数据布局
Input data is in [batch, sequence_length, hidden_size] format.
Data inside the encoder is in [batch, hidden_size, sequence_length] format. But, if `output_hidden_states == True`, the data from inside the encoder is returned in [batch, sequence_length, hidden_size] format.
The final output of the encoder is in [batch, sequence_length, hidden_size] format.
forward
< 来源 >( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.MultipleChoiceModelOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
的形状为(批大小, 选项数, 序列长度)
) — 输入序列标记索引的词汇表。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
的形状为(batch_size, num_choices, sequence_length)
,可选) — 指示避免在填充标记索引上执行注意力的掩码。掩码值选自[0, 1]
:- 1 表示未被 掩码 的标记,
- 0 表示被 掩码 的标记。
- token_type_ids (
torch.LongTensor
的形状为(batch_size, num_choices, sequence_length)
,可选) — 指示输入的第一个和第二部分的片段标记索引。索引选自[0, 1]
:- 0 对应于 A 句子 标记,
- 1 对应于 B 句子 标记。
- position_ids (
torch.LongTensor
的形状为(batch_size, num_choices, sequence_length)
,可选) — 输入序列标记在每个位置嵌入中的索引。选取范围在[0, config.max_position_embeddings - 1]
内。 - head_mask (
torch.FloatTensor
形状(num_heads,)
或(num_layers, num_heads)
, 可选) — 用于将自注意力模块中选择的首个头置为零的掩码。掩码值选在[0, 1]
范围内:- 1 表明头部未被 掩码,
- 0 表明头部被 掩码。
- inputs_embeds (
torch.FloatTensor
形状(batch_size, num_choices, sequence_length, hidden_size)
, 可选) — 可选,而不是传递input_ids
,你可以直接传递嵌入表示。如果你希望比模型内部的嵌入查找矩阵有更多控制权,将其索引转换为相关向量,则此操作很有用。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的张量。有关返回张量中的attentions
的更多详细信息,请参阅。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput,而不是一个纯元组。 - labels (
torch.LongTensor
,形状为(batch_size,)
,可选) — 用于计算多选题分类损失的标签。索引应位于[0, ..., num_choices-1]
之间,其中 num_choices 是输入张量第二维的大小。(参见上方的 input_ids)
返回值
transformers.modeling_outputs.MultipleChoiceModelOutput 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.MultipleChoiceModelOutput 或一个包含多种元素的元组 torch.FloatTensor
(如果传递了 return_dict=False
或 config.return_dict=False
),这些元素取决于配置(请参阅 SqueezeBertConfig)和输入。
-
loss(《torch.FloatTensor》形状为 (1,),可选,当提供
labels
时返回) — 分类损失。 -
logits(《torch.FloatTensor》形状为
(batch_size, num_choices)
) — num_choices 是输入张量第二维的大小。(参见上方的 input_ids)。分类分数(在 SoftMax 之前)。
-
hidden_states (
tuple(torch.FloatTensor)
,可选,当通过output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果模型有嵌入层,则包含嵌入输出的输出,再加上每一层的输出)。在每个层的输出加上可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
,可选,当通过output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)(用于计算自注意力头中的加权平均的自注意力权重)。在注意力softmax后的注意力权重,用于计算各个自注意力头中的加权平均。
SqueezeBertForMultipleChoice 的 forward 方法,覆盖了 __call__
特殊方法。
尽管前向计算的配方需要在此函数内定义,但应该在此之后调用 Module
实例,而不是使用此方法,因为前者负责执行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SqueezeBertForMultipleChoice
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertForMultipleChoice.from_pretrained("squeezebert/squeezebert-uncased")
>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> labels = torch.tensor(0).unsqueeze(0) # choice0 is correct (according to Wikipedia ;)), batch size 1
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="pt", padding=True)
>>> outputs = model(**{k: v.unsqueeze(0) for k, v in encoding.items()}, labels=labels) # batch size is 1
>>> # the linear classifier still needs to be trained
>>> loss = outputs.loss
>>> logits = outputs.logits
SqueezeBertForTokenClassification
类 transformers.SqueezeBertForTokenClassification
< 源 >( config )
参数
- 配置 (SqueezeBertConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,只有配置。检查 from_pretrained() 方法来加载模型权重。
在顶部带有标记分类头部(位于隐藏状态输出之上的一层线性层)的 SqueezeBERT 模型,例如用于命名实体识别(NER)任务。
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在SqueezeBERT:计算机视觉能够教NLP关于高效神经网络的什么?中提出。
此模型继承自PreTrainedModel。查看超类文档,了解库为所有模型实现的方法(如下载或保存、调整输入嵌入尺寸、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其作为常规PyTorch模块使用,并参考PyTorch文档了解与通用使用和行为相关的事项。
为了在文本分类任务上微调SqueezeBERT获得最佳结果,建议以squeezebert/squeezebert-mnli-headless检查点作为起点。
层次结构
Internal class hierarchy:
SqueezeBertModel
SqueezeBertEncoder
SqueezeBertModule
SqueezeBertSelfAttention
ConvActivation
ConvDropoutLayerNorm
数据布局
Input data is in [batch, sequence_length, hidden_size] format.
Data inside the encoder is in [batch, hidden_size, sequence_length] format. But, if `output_hidden_states == True`, the data from inside the encoder is returned in [batch, sequence_length, hidden_size] format.
The final output of the encoder is in [batch, sequence_length, hidden_size] format.
forward
< source >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.TokenClassifierOutput or tuple(torch.FloatTensor)
参数
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 分段标记索引,用于表示输入的第一和第二部分。索引选自[0, 1]
:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 位置嵌入中每个输入序列标记的位置索引。选择在范围[0, config.max_position_embeddings - 1]
内。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于关闭自注意力模块所选头部的掩码。掩码值选自[0, 1]
:- 1 表示头部 未掩码,
- 0 表示头部 已掩码。
- inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以直接传递嵌入表示而不是input_ids
。这对于希望比模型内部的嵌入查找矩阵有更多控制权地将input_ids
索引转换为相关向量是有用的。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是纯元组。 - labels (
torch.LongTensor
形状(batch_size, sequence_length)
, 可选) — 用于计算标记分类损失的标签。索引应在[0, ..., config.num_labels - 1]
范围内。
返回值
transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.TokenClassifierOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置(SqueezeBertConfig)和输入包含各种元素。
-
loss (
torch.FloatTensor
形状(1,)
, 可选,当提供labels
时返回) — 分类损失。 -
logits (
torch.FloatTensor
形状(batch_size, sequence_length, config.num_labels)
) — 分类得分(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当通过output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果模型有嵌入层,则包含嵌入输出的输出,再加上每一层的输出)。在每个层的输出加上可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
,可选,当通过output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)(用于计算自注意力头中的加权平均的自注意力权重)。在注意力softmax后的注意力权重,用于计算各个自注意力头中的加权平均。
SqueezeBertForTokenClassification 的前进方法覆盖了 __call__
特别方法。
尽管前向计算的配方需要在此函数内定义,但应该在此之后调用 Module
实例,而不是使用此方法,因为前者负责执行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SqueezeBertForTokenClassification
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertForTokenClassification.from_pretrained("squeezebert/squeezebert-uncased")
>>> inputs = tokenizer(
... "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
... )
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_token_class_ids = logits.argmax(-1)
>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]
>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss
SqueezeBertForQuestionAnswering
类 transformers.SqueezeBertForQuestionAnswering
< 源代码 >( config )
参数
- 配置 (SqueezeBertConfig) — 包含所有参数的模型配置类。使用配置文件初始化不会加载模型关联的权重,仅加载配置。有关加载模型权重的信息,请参阅 from_pretrained() 方法。
SqueezeBERT模型在顶部添加了一个用于SQuAD(extractive question-answering任务)的跨度分类头。
SqueezeBERT模型由Forrest N. Iandola、Albert E. Shaw、Ravi Krishna和Kurt W. Keutzer在SqueezeBERT:计算机视觉能够教NLP关于高效神经网络的什么?中提出。
此模型继承自PreTrainedModel。查看超类文档,了解库为所有模型实现的方法(如下载或保存、调整输入嵌入尺寸、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其作为常规PyTorch模块使用,并参考PyTorch文档了解与通用使用和行为相关的事项。
为了在文本分类任务上微调SqueezeBERT获得最佳结果,建议以squeezebert/squeezebert-mnli-headless检查点作为起点。
层次结构
Internal class hierarchy:
SqueezeBertModel
SqueezeBertEncoder
SqueezeBertModule
SqueezeBertSelfAttention
ConvActivation
ConvDropoutLayerNorm
数据布局
Input data is in [batch, sequence_length, hidden_size] format.
Data inside the encoder is in [batch, hidden_size, sequence_length] format. But, if `output_hidden_states == True`, the data from inside the encoder is returned in [batch, sequence_length, hidden_size] format.
The final output of the encoder is in [batch, sequence_length, hidden_size] format.
forward
< 源代码 >) → transformers.modeling_outputs.QuestionAnsweringModelOutput 或者 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 输入序列标记的词表索引。可用 AutoTokenizer 获取索引。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
的形状(batch_size, sequence_length)
,可选) — 用于避免在对填充标记索引执行注意力的掩码。在[0, 1]
中选定的掩码值:- 1 代表未进行遮挡的标记;
- 0 代表进行了遮挡的标记。
- token_type_ids (
torch.LongTensor
的形状(batch_size, sequence_length)
,可选) — 段标记索引,用于指示输入的第一和第二部分。索引在[0, 1]
中选择:- 0 对应于 句子 A 标记;
- 1 对应于 句子 B 标记。
- position_ids (
torch.LongTensor
的形状(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的位置索引。在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于使自动注意力模块中选定的头无效的掩码。遮码值在[0, 1]
中选择:- 1 表示头 未掩码,
- 0 表示头 已掩码。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选,您可以选择直接传递一个嵌入表示,而不是传递input_ids
。当您想要比模型的内部嵌入查找矩阵有更多控制权来将input_ids
索引转换为相关向量时,这很有用。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的张量。有关更详细的信息,请参阅返回张量中的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。更多详情请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回ModelOutput而不是一个普通的元组。 -
- end_positions (
torch.LongTensor
,形状为(batch_size,)
,可选) — 用于计算令牌分类损失的标记结束位置的位置(索引)的标签。位置被约束到序列长度(sequence_length)。序列之外的箭位在计算损失时不考虑。
返回值
transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.QuestionAnsweringModelOutput 或一个由 torch.FloatTensor
组成的元组(如果 return_dict=False
被传递或当 config.return_dict=False
时),根据配置(SqueezeBertConfig) 和输入不同而包含多个元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 总跨度提取损失是开始和结束位置的对数损失总和。 -
start_logits (
torch.FloatTensor
形状为(batch_size, sequence_length)
) — 跨度开始分数(在 SoftMax 之前)。 -
end_logits (
torch.FloatTensor
形状为(batch_size, sequence_length)
) — 跨度结束分数(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当通过output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果模型有嵌入层,则包含嵌入输出的输出,再加上每一层的输出)。在每个层的输出加上可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
,可选,当通过output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)(用于计算自注意力头中的加权平均的自注意力权重)。在注意力softmax后的注意力权重,用于计算各个自注意力头中的加权平均。
SqueezeBertForQuestionAnswering 前向方法,覆盖了 __call__
特殊方法。
尽管前向计算的配方需要在此函数内定义,但应该在此之后调用 Module
实例,而不是使用此方法,因为前者负责执行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SqueezeBertForQuestionAnswering
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("squeezebert/squeezebert-uncased")
>>> model = SqueezeBertForQuestionAnswering.from_pretrained("squeezebert/squeezebert-uncased")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])
>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss